Escolar Documentos
Profissional Documentos
Cultura Documentos
Orientado por
Bragança
2017
Cartografia da paisagem natural do Parque Natural de
Montesinho por Sensoriamento Remoto
Orientado por
Bragança
2017
AGRADECIMENTOS
Primeiramente, agradeço aos meus pais Antônio Francisco Magnoni e Maria José
Jandreice pelo apoio durante meu período de estudos no exterior, sem eles, em todos os
sentidos, isto não seria possível.
A minha companheira, Laís, por toda ajuda, leituras, revisões prestadas, e
principalmente, pela paciência para escutar minhas ideias e reclamações ao longo do
desenvolvimento deste trabalho. Passar um ano em outro país, vivendo em uma diferente
cultura, enfrentando novos desafios, é muito mais interessante quando temos alguém para viver
estas experiências conosco. A felicidade é muito mais valiosa quando compartilhada.
Agradeço ao professor José Castro, orientador e agora amigo, que desde o início se
mostrou disposto no auxílio para elaboração deste trabalho compartilhando seu vasto
conhecimento sobre os assuntos tratados, com dedicação e atenção, para que este projeto
pudesse ser finalizado.
Aos meus orientadores do Brasil, professores José Ferreira e Edivando Couto, pelos
conhecimentos ensinados durante a graduação na UTFPR e o incentivo para meus estudos em
Portugal. Dessa maneira, também posso atribuir o êxito deste intercâmbio a eles.
Aos meus amigos e companheiros de república em Bragança, João, Gleici e Maidana,
pelo tempo passado juntos, experiências e brincadeiras compartilhadas ao longo da convivência
que ajudaram a superar as dificuldades ao longo do caminho trilhado.
Aos amigos do Brasil, os quais me fazem falta, Otávio, Yuji, Luís (titi), Lucas (asdaf),
Thiago, Caio (lee), Lucas (quejo), Raul, Henry, Caio (moita), Kerry, Marcelo, Júlia, Razera
(primo), Ícaro, Aruani, Lorena e todos os demais, que mesmo longe, de alguma maneira
demonstraram apoio nesta importante etapa de minha vida.
Finalmente, agradeço a UTFPR – Campo Mourão e ao Instituto Politécnico de
Bragança pelo programa de dupla diplomação e o apoio financeiro oferecido pelas instituições.
RESUMO
i
ABSTRACT
Aiming the use of remote sensing in the monitoring of high conservation value ecosystems, the
present work aimed a methodology able to identify the occurrence of the of the Quercus
pyrenaica Willd., a specie of high ecological value in the Natural Park Of Montesinho, located
in the northeast region of Portugal, through remote sensing tools and the use of free
geographical information systems. Based on spectral information from different band
compositions in Landsat 5 Thematic Mapper (TM) images, non-supervised classifications were
applied using SPRING by different similarity indexes in the image segmentation process. Using
the QGIS, the classifications were compared with the reference cartography to determine the
most representative classes of the Quercus pyrenaica Willd., verifying that the classifications
performed for the similarity 8 index with all image spectral bands was the one that best
recognized the oaks spectral signature. From these classes, potential regions were extracted for
the sampling and application of a supervised classifier that enabled the thematic map of the oak
areas in the PNM. By field verification, interesting results such as the discrimination of the oak
at different plant growth stages and abundance associated with other species, showed the ability
of oak spectral signature detection by the applied methodology.
ii
ÍNDICE
RESUMO ......................................................................................................................... I
ABSTRACT ....................................................................................................................II
ÍNDICE ......................................................................................................................... III
ÍNDICE DE FIGURAS .................................................................................................. V
ÍNDICE DE QUADROS .............................................................................................. VI
LISTA DE ABREVIATURAS E SIGLAS ................................................................ VII
ESTRUTURA DO TRABALHO ............................................................................. VIII
1 INTRODUÇÃO ............................................................................................................ 1
2 OBJETIVOS ................................................................................................................. 2
3 REVISÃO BIBLIOGRÁFICA .................................................................................... 3
3.1 SENSORIAMENTO REMOTO .......................................................................................... 3
3.1.1 Espectro eletromagnético, assinaturas espectrais e janelas atmosféricas .......................... 4
3.1.2 Tipos de sensores .............................................................................................................. 5
3.1.3 Características das imagens obtidas por sensores remotos ............................................... 5
3.1.4 Classificação de Imagens .................................................................................................. 7
3.1.5 Classificadores por região e segmentação da imagem ...................................................... 8
3.1.6 Sistema para Processamento de Informações Georreferenciadas – SPRING ................... 8
3.1.7 Quantum GIS..................................................................................................................... 9
3.1.8 Características da missão Landsat ..................................................................................... 9
3.2 CARACTERIZAÇÃO DA ÁREA DE ESTUDO .............................................................. 10
3.2.1 Rede Nacional de Áreas Protegidas de Portugal ............................................................. 10
3.2.2 Parque Natural de Montesinho (PNM)............................................................................ 11
3.3 VALORES NATURAIS DO PARQUE NATURAL DE MONTESINHO....................... 12
3.3.1 Geologia .......................................................................................................................... 12
3.3.2 Fauna e biótipos .............................................................................................................. 13
3.3.3 Flora e vegetação ............................................................................................................. 13
4 METODOLOGIA ...................................................................................................... 16
4.1 FERRAMENTAS COMPUTACIONAIS E PRODUTOS UTILIZADOS ....................... 16
4.1.1 Aquisição das imagens .................................................................................................... 16
4.1.2 Sistemas de Informação Geográfica (SIG)...................................................................... 17
4.2 OPERAÇÕES DESENVOLVIDAS .................................................................................. 17
4.2.1 Recorte das imagens no QGIS ........................................................................................ 18
4.2.2 Rasterização da Carta de Uso e Ocupação do Solo de Portugal Continental (COS2007)
.................................................................................................................................................. 18
4.2.3 Classificações não-supervisadas ..................................................................................... 19
iii
4.2.4 Determinação das classes representativas para o carvalhal ............................................ 19
4.2.5 Classificações Supervisadas ............................................................................................ 21
4.2.6 Verificação no terreno ..................................................................................................... 21
5 RESULTADOS ........................................................................................................... 23
5.1 CLASSIFICAÇÃO NÃO-SUPERVISADA ...................................................................... 23
5.2 DETERMINAÇÃO DAS CLASSES REPRESENTATIVAS PARA O CARVALHAL . 23
5.3 CLASSIFICAÇÃO SUPERVISADA – MAXVER ........................................................... 28
6 DISCUSSÃO ............................................................................................................... 30
6.1 CLASSIFICAÇÕES ........................................................................................................... 30
6.2 VERIFICAÇÃO NO TERRENO ....................................................................................... 35
6.2.1 Situação de matos densos ................................................................................................ 35
6.2.2 Situação de floresta de carvalhos com outras folhosas ................................................... 37
6.2.3 Situação de florestas de outras folhosas .......................................................................... 40
6.2.4 Situação de floresta de castanheiro com folhosas ........................................................... 43
7 CONCLUSÕES .......................................................................................................... 45
REFERÊNCIAS ............................................................................................................ 46
iv
ÍNDICE DE FIGURAS
v
ÍNDICE DE QUADROS
vi
LISTA DE ABREVIATURAS E SIGLAS
vii
ESTRUTURA DO TRABALHO
viii
1 INTRODUÇÃO
1
2 OBJETIVOS
Para alcançar o objetivo proposto em este trabalho, torna-se necessário a execução dos
seguintes objetivos específicos:
2
3 REVISÃO BIBLIOGRÁFICA
Este tópico irá abordar conceitos básicos sobre o sensoriamento remoto e técnicas de
processamento de imagens necessários para a realização deste trabalho.
3
3.1.1 Espectro eletromagnético, assinaturas espectrais e janelas atmosféricas
4
com gases e aerossóis presentes na atmosfera. A relação entre a radiação que atravessa a
atmosfera pelo total de energia incidente é conhecida como transmitância e os locais onde a
energia passa e pode ser captada pelos sensores, são conhecidas como janelas atmosféricas
(Figura 3) (Song et al., 2001; IBGE, 2001; Konecny, 2003).
5
Nesta matriz de números digitais, denomina-se o elemento individual como píxel,
sendo este uma representação de uma área da superfície terrestre que está associada a um valor
de intensidade da radiação eletromagnética refletida. Esta intensidade convertida em números
digitais pode ser representada por níveis de cinza que variam do preto (menor nível de
intensidade) ao branco (maior nível de intensidade), formando assim, a imagem digital (Figura
4) (IBGE, 2001).
Quadro 1 - Tipos de resolução em Sensoriamento Remoto. Adaptado de CCRS, 2016; IBGE, 2001
Resolução Características
Refere-se as dimensões do menor elemento detectável
Espacial
possível (Píxel).
Refere-se a habilidade do sensor em distinguir intervalos
Espectral
de comprimento de onda do espectro eletromagnético.
Refere-se a intervalo de máximo e mínimo níveis de cinza
Radiométrica
representados por números digitais na imagem gerada.
Refere-se a periodicidade do imageamento de um mesmo
Temporal
local realizado por um sensor.
6
3.1.4 Classificação de Imagens
7
3.1.5 Classificadores por região e segmentação da imagem
8
Assumindo que todas as bandas tenham distribuição normal, o classificador
supervisado MAXVER calcula a probabilidade de um píxel pertencer a uma determinada classe
pela ponderação das distâncias entre as médias dos valores dos píxeis de cada classe candidata
utilizando parâmetros estatísticos. Já o classificador ISOSEG, realiza um agrupamento de dados
não-supervisado sobre conjuntos de regiões provenientes do processo de segmentação
agrupando as regiões de acordo com uma medida de similaridade definida pela distância de
Mahalanobis. Como resultado, verifica-se um raster com os agrupamentos resultantes da
classificação atribuídos a classes que pode ser convertido em um mapa temático (Meneses et
al., 2012).
9
O sensor Landsat 5 Thematic Mapper (TM) presente no satélite apresenta como
produto imagens com 7 bandas multiespectrais, resolução radiométrica de 8 bits (256 níveis),
resolução temporal de 16 dias e resolução espacial de 30 metros para as bandas 1, 2, 3, 4, 5 e 7,
e 120 metros para a banda 6 termal. No Quadro 2, abaixo, pode-se verificar as características
de cada banda (USGS, 2016b).
10
3.2.2 Parque Natural de Montesinho (PNM)
11
Figura 5 - Localização do Parque Natural de Montesinho
Fonte dados cartográficos: Direcção-Geral do Território (2017a)
A delimitação dos elementos de relevante valor natural no PNM foi realizada através
do estudo da valoração dos elementos geológicos e biológicos presentes no Parque. Portanto,
este tópico, irá abranger de forma sucinta estes três elementos, afim de enquadrar a importância
do Parque quanto a conservação e manutenção do meio ambiente. A explicação detalhada das
metodologias utilizadas e todos os resultados da valoração dos elementos naturais podem ser
encontradas no Plano de Ordenamento do PNM (ICNF, 2007).
3.3.1 Geologia
12
geodiversidade, que estejam bem delimitados geograficamente e que apresentem importância
do ponto de vista científico, pedagógico, cultural, turístico ou outros (ICNF, 2007).
Através da definição das áreas relevantes, verificou-se qual era o grau de importância
e valoração destas, definindo medidas como por exemplo, a restrição do acesso a estas áreas,
ou não. Entre essas áreas, estão a Serra das Barreiras Brancas, local de interesse paleontológico,
e os Granitos do Rio Frio, local de interesse geocronológico, definidos como áreas de relevância
excepcional (ICNF, 2007).
Para verificação da relevância da fauna existente, foi realizada uma hierarquização das
espécies de vertebrados no PNM, através da determinação de variáveis relacionadas com o
estatuto de conservação, e a biologia e distribuição das espécies. Foram definidas quais espécies
devem ser alvo de medidas conservacionistas, como é o caso da Toupeira-da-água (Galemys
pyrenaicus), mamífero que apresentou uma grande demanda de ações para sua manutenção na
área. (ICNF, 2007).
Verificou-se também, além dos valores faunísticos, a importância da conservação dos
biótopos que abrigam as espécies mais ameaçadas, raras e vulneráveis. Realizou-se uma
hierarquização baseada na fauna existente e a riqueza específica, definindo áreas como de valor
excepcional, alto, médio e baixo (ICNF, 2007).
13
Figura 6 - Valor das unidades de vegetação do PNM
Fonte: (ICNF, 2007)
14
representam um mosaico heterogêneo entre a vegetação natural e as atividades antrópicas
devido a maior presença dos povoados nesta unidade de paisagem do parque (ICNF, 2007).
Por proporcionar um sistema de múltiplos usos e funções, estes carvalhais apresentam
áreas interessantes do ponto de vista econômico e ambiental. Estes bosques proporcionam o
desenvolvimento de atividades cinegéticas, exploração de recursos como extração de lenha e
cogumelos comestíveis, suporte das atividades pastoris, além de fornecer habitats favoráveis
para diversas espécies de fauna e flora natural, como o corço e o javali encontrados nestes sítios
(Carvalho et al., 2005b; ICNF, 2007). Desta maneira, salienta-se a importância da boa gestão
dessas áreas devido à importância ecológica a qual desempenham.
15
4 METODOLOGIA
Foi adquirida uma imagem proveniente do satélite Landsat 5 Thematic Mapper. Esta
imagem foi obtida gratuitamente através do sítio do Serviço Geológico dos Estados Unidos da
América (USGS, 2016c). As informações de identificação da imagem podem ser vistas no
Quadro 3:
Quadro 3 - Imagem Landsat 5 utilizada
ID do produto Data Path/Row Sensor
LANDSAT5 Thematic
LT05_L1TP_203031_20070731_20161111_01_T1 31/07/2007 203/31
Mapper (TM)
Optou-se por uma imagem Landsat, visto que esta está disponibilizada gratuitamente
para fins de estudo e pesquisa, e por apresentar resolução espacial, espectral, radiométrica e
temporal que cumprem os pré-requisitos para o desenvolvimento dos objetivos propostos neste
trabalho.
A imagem com data de aquisição 31/07/2007 faz parte do inventário Landsat 5
collection level-1, e conta com processos de correção radiométrica e atmosféricas de alta
qualidade o que a torna viável para estudos de cobertura do solo e análises temporais. Salienta-
se que a banda 6 (termal) desta série é disponibilizada com sua resolução espacial reamostrada
de 120 para 30 metros, o que permite a inclusão desta banda nos processos de classificação da
imagem. (USGS, 2016c).
Na Figura 8, abaixo, é possível observar uma composição falsa cor através de um
mosaico com as bandas B432 que representa toda a extensão do PNM. Nesta composição, a
vegetação é representada em tons de vermelho, pois os organismos clorofilados refletem muito
mais a energia eletromagnética proveniente da luz solar na faixa do infravermelho próximo
(Meneses et al., 2012). A escolha de uma imagem captada em meses de verão facilita a
identificação da vegetação, visto que há maior incidência solar neste período e menor incidência
de nuvens que causam sombras na superfície.
16
Figura 8 - Imagem do PNM Landsat 5
17
Figura 9 - Diagrama da metodologia desenvolvida
Após a aquisição da imagem Landsat, esta foi recortada para todas as suas bandas
espectrais com utilização do limite oficial do PNM como camada máscara no QGIS 2.14.11.
Esta operação é necessária para facilitar a posterior aplicação dos algoritmos classificadores,
tornando o processo mais rápido de ser aplicado, e minimizando a memória de armazenamento
necessária no banco de dados dos softwares utilizados.
18
para formato raster através do QGIS 2.14.11 para posterior aplicação da extensão “Accuracy
Assessment” entre o mapa de referência e as imagens classificadas.
Neste trabalho, foi utilizado o nível de hierarquia N5 da COS2007. Outra ação
importante foi sua conversão para raster com resolução espacial de 30 metros, ou seja, uma
matriz composta por píxeis de 900 m². Este ajuste da resolução foi necessário para cruzamento
da cartografia de referência com as imagens classificadas, visto que a extensão utilizada neste
procedimento necessita que os rasters de entrada tenham a mesma dimensão dos píxeis.
19
Cabe salientar que na COS2007 existem diversas classes onde estão presentes
carvalhais, desde as mais homogêneas, até locais onde esta espécie ocorre com espécies mais
diversificadas, predominando um ambiente mais heterogêneo. Dessa maneira, para
determinação das classes mais representativas, procurou-se as classes mais coincidentes com
as áreas definidas como florestas de carvalhal puro segundo a cartografia de referência,
nomeadamente, áreas da classe COS2007 - 3.1.1.01.3 (florestas de outros carvalhos).
A aplicação da extensão “Accuracy Assessment” no QGIS 2.14.11 com a COS2007
como cartografia de referência e as imagens classificadas como mapa avaliado, gerou um
arquivo de texto para cada classificação. Estes arquivos tratados em Excel, possibilitaram a
verificação quantitativa dos píxeis de cada classe criada pelo AC, coincidentes a determinadas
classes da COS2007. Finalmente, para a determinação das classes de maior representatividade
foram comparadas as frequências observadas para cada par classe ISOSEG x classe COS2007
- N5 com as frequências que seriam de esperar em função da respectiva proporção, mediante
ao termo simples da equação do chi-quadrado (equação 1):
(𝑂 − 𝐸)²
𝑥=
𝐸
considerando:
O – ocorrência de píxeis de determinada classe ISOSEG coincidente com determinada classe
na cartografia COS2007;
E – frequência esperada de determinada classe ISOSEG coincidente com determinada classe na
cartografia COS2007, obtida por:
(Total de píxeis da classe ISOSEG x Total de píxeis da classe COS2007) / Total de píxeis da
imagem.
Com esta avaliação, foi possível identificar as classes ISOSEG que melhor
discriminam as manchas da Quercus pyrenaica Willd. na imagem e da data referida para cada
classificação realizada, segundo a combinação de bandas considerada e a similaridade utilizada.
Também se verificou as demais áreas que foram classificadas como carvalhal pelo AC
e que não condizem com a COS2007. Para tanto, buscou-se na classe mais coincidente as
classes da cartografia de referência onde este efeito foi mais relevante.
A partir da sobreposição das classes que melhor representaram o carvalhal, obtidas em
diferentes classificações, a calculadora raster do QGIS permitiu elaborar a cartografia da
20
frequência com que o carvalhal foi identificado ao longo do território do PNM pelas
classificações não-supervisadas.
A partir da elaboração destes mapas, a hipótese avaliada nesta etapa é de que as áreas
de maior frequência atuem como amostras significativas ao processo de amostragem na
aplicação do algoritmo de classificação supervisada.
21
“maxandcod35” = Área de carvalhal, segundo o classificador MAXVER, que foi
classificada como castanheiros e outras folhosas (3.1.1.02.4) segundo a COS2007;
“maxandcod34” = Área de carvalhal, segundo o classificador MAXVER, que foi
classificada como carvalhais mais outras folhosas (3.1.1.02.3) segundo a COS2007;
“maxandcod49” = Área de carvalhal, segundo o classificador MAXVER, que foi
classificada como matos densos (3.2.2.01.1) segundo a COS2007;
“maxandcod32” = Área de carvalhal, segundo o classificador MAXVER, que foi
classificada como florestas de outras folhosas (3.1.1.01.7) segundo a COS2007.
Estas classes foram selecionadas mediante o cruzamento e aplicação do termo simples
de chi-quadrado (equação 1), para a “imagem classificada X cartografia de referência”. Sendo
estas, as mais significativas em área.
Diversos pontos foram criados aleatoriamente nestas áreas, e os mostrados da Figura
10 são aqueles onde foi realizada a tomada de fotografias para apoiar a discussão deste trabalho.
Entretanto, entende-se que o número de pontos verificados não é suficiente para uma validação
estatística da cartografia gerada, mas serviram de base para a compreensão do mapeamento
obtido e do potencial desta classificação na identificação dos carvalhais.
22
5 RESULTADOS
23
proporção mediante a aplicação do termo simples do chi-quadrado, verifica-se no Quadro 4 e
Quadro 5 as quatro classes aleatórias das imagens classificadas que melhor coincidem com a
classe representante aos carvalhais na cartografia de referência (3.1.1.01.3 – outros carvalhos).
24
Também foram elaborados gráficos com as diferenças entre os valores observados e
os esperados probabilisticamente, tendo no eixo x as classes mais representativas da
segmentação, e no eixo y, as classes da cartografia de referência que mais coincidem com a
anterior para identificação das demais áreas classificadas na classe do carvalhal pelo algoritmo
classificador que não condizem com a COS2007 (Figura 12 a Figura 16).
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
3 5 7 12 2 3 4 5
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
2 3 4 6 2 3 8 9
Carvalhal Carvalhal
25
COS2007 X CS05L5_B54321
COS2007 vs. CS08L5_B54321
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
3 8 9 22 2 3 16 17
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000 40000
20000 20000
0 0
2 3 12 13 2 3 5 12
140000 140000
120000 120000
100000 100000
80000 80000
60000 60000
40000
20000 40000
0 20000
0
8 5 13 18
3 4 5 14
26
A coincidência dos píxeis das classes mais representativas do carvalhal para as cinco
classificações realizadas, gerou dois mapas com valores de 0 a 100%, um para as classificações
provenientes da segmentação de similaridade 5 outra para 8 (Figura 17 e Figura 18).
Nestes mapas, quanto mais próximo de 100%, maior a frequência que uma área foi
classificada como mancha de carvalhal. Assim, o valor de 100% índica que uma área foi
identificada como carvalhal em todas as classificações.
27
Figura 18 - Cartografia da frequência para similaridade 8
28
Figura 19 - Cartografia da presença do carvalhal no PNM
29
6 DISCUSSÃO
6.1 CLASSIFICAÇÕES
30
comparação, na classificação de similaridade 8 a classe mais discriminante (número 4) coincide
com a COS2007 (floresta de outros carvalhos) em 2650 ha (Quadro 7).
Outro fator a ser levado em consideração é que a classe 5 (CS05L5_B7654321)
apresenta uma área total de 632 ha, enquanto a classe 4 (CS08L5_B7654321) conta com uma
área total de 6315 ha. Isto não significa que a similaridade 5 não reconheceu a assinatura
espectral do carvalhal, porém, a separou em um maior número de classes.
Do ponto de vista operacional, ter a área de interesse dividida em um maior número
de classes na imagem classificada dificulta a seleção das áreas de maior representatividade. Isso
se deve a necessidade de levar em conta as demais áreas que estão discriminadas como carvalho
pelo classificador, mas que não condizem com a cartografia de referência. Como exemplo,
temos as manchas de “Matos densos” e “Carvalhal + outras folhosas” da COS2007 que
aparecem inseridas em áreas classificadas como carvalhal pela classificação não-supervisada.
Este resultado deixa implícito o impacto do índice de similaridade aplicado na
segmentação pré-classificação, na imagem classificada resultante, na posterior cartografia da
frequência e na amostragem da classificação supervisada aplicada. Verifica-se, portanto, que a
similaridade 8 acaba por identificar e agrupar melhor as manchas do carvalhal no PNM.
Na Figura 20, abaixo, podemos visualizar um mapa que mostra a intersecção entre a
classe 4 (CS08L5_B7654321) e classe outros carvalhos - 3.1.1.01.3.
31
Figura 20 – Mapa de intersecção da classe 4 com a classe COS - outros carvalhos
Como visto nos quadros comparativos entre as classificações (Figura 12 a Figura 16),
32
Figura 21 - Áreas 100% da cartografia da frequência para similaridade 8
Figura 22 - Intersecção da cartografia da presença do carvalho no PNM com classe outros carvalhos da COS2007
33
Levando em consideração as áreas classificadas como carvalhal no PNM na
cartografia de referência (4747 ha), e na imagem classificada MAXVER (4703 ha) temos como
área coincidente entre as classificações um total de 2307 ha. Mediante aplicação da equação 1
e da quantificação das áreas, podemos observar a maior aderência obtida por esta classificação
em relação aos carvalhos do que a demais classes COS (Quadro 8). Isto aponta para uma boa
representatividade da assinatura espectral do carvalho obtida pela classificação supervisada.
Em um trabalho de comparação entre classificadores supervisados e não-supervisados,
Abrão et al. (2015) verificou bons resultados na aplicação do algoritmo MAXVER na
identificação de manchas de vegetação de porte arbóreo como é o caso das manchas de
carvalhal.
Quadro 8 - Área coincidente entre a classificação MAXVER e demais classes COS2007
34
6.2 VERIFICAÇÃO NO TERRENO
Nas áreas denominadas como matos densos pela cartografia de referência, aquelas
consideradas com vegetação espontânea com um coberto superior ou igual a 50%, observamos
estas formações vegetais associadas a carvalhos (Figura 23).
Tratando de observações de campo com dez anos de diferença em relação à imagem
classificada, ao identificar carvalhos de porte arbóreo, podemos relacioná-los aos identificados
pelo algoritmo classificador em 2007.
Visto que no processo de foto interpretação para elaboração da COS2007, o interprete
associou estas áreas a matos densos, provavelmente levando em consideração o padrão de
rugosidade do coberto vegetal, a carvalhiça (formação de carvalhal jovem) ali associada aos
matos (Figura 24) pela necessidade de sombra em seu desenvolvimento, não foi identificada
com a interpretação visual, porém, foi detectada pela interpretação espectral dos classificadores
ISOSEG e MAXVER.
Na Figura 25, podemos observar outro local associado a classe de matos densos onde
foi detectada a assinatura espectral do carvalhal. São evidentes os efeitos de um incêndio
ocorrido nesta área, localizada próxima a aldeia de Montouto, devido ao estado de regeneração
do carvalhal associado aos matos.
35
Figura 23 - Matos densos associado ao carvalhal (Lat. 41.860486 Long. -7.001814)
36
Figura 25 - Regeneração do carvalhal em área de matos densos (Lat. 41.935544 Long. -7.003075)
37
Figura 26 - Carvalho-negral (Lat. 41.889939 Long. -7.047639)
38
Figura 27 - Carvalhal associado a outras folhosas (Lat. 41.889408 Long. -7.048933)
Figura 28 - Vegetação ripícola sem a presença de carvalho (Lat. 41.889178 Long. -7.049361)
39
Figura 29 - Carvalhal associado a outras folhosas (Lat. 41.925628 Long. -6.983539)
Nestas classes estão presentes algumas espécies de folhosas existentes no PNM que
não são discriminadas em outras classes da COS2007 como o freixo, o amieiro, a nogueira,
choupo ou o salgueiro. Os pontos verificados aqui são interessantes, visto que o algoritmo
classificador identificou carvalhos nestas áreas que segundo a cartografia de referência, não
existiam.
Foram verificados dois pontos relativos a esta situação onde o carvalho aparece em
menor abundância distribuído entre folhosas de grande porte, muitas vezes na sombra destas
espécies (Figura 30 a Figura 32).
40
Figura 30 - Carvalhal no sub-bosque de outras espécies de folhosas (Lat. 41.906692 Long. -7.041611)
41
Figura 31 - Folhas de Carvalho negral (Fendidas) e outras espécies folhosas (Lat. 41.906692 Long. -7.041611)
Figura 32 - Jovens carvalhos entre outras espécies folhosas (Lat. 41.908497 Long. -7.041522)
42
6.2.4 Situação de floresta de castanheiro com folhosas
Grandes castanheiros, como os mostrados nas fotos, são encontrados misturados com
carvalhais na paisagem do PNM e, devido seu grande porte, muitas vezes acabam por dificultar
a fotointerpretação, e por isso, a identificação dos carvalhais nestes locais mais uma vez aponta
para uma boa capacidade de detecção da assinatura espectral do carvalhal obtida pelas
classificações.
43
Figura 34 - Castanheiro (primeiro plano), seguindo carvalho e resinosas (fundo) (Lat. 41.914925 Long. -7.039464)
44
7 CONCLUSÕES
45
REFERÊNCIAS
Abrão, C. M. R., da Cunha, E. R., Gregório, E. C., & Bacani, V. M. (2015). Avaliação de
classificadores supervisionados e não supervisionados para mapeamento de uso e
cobertura da terra a partir de dados Landsat-8/OLI.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal of
photogrammetry and remote sensing, 65(1), 2-16.
Câmara, G., Souza, R. C. M., Freitas, U. M., & Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modelling. Computers &
graphics, 20(3), 395-403. Disponível em:
http://www.dpi.inpe.br/geopro/papers/spring.pdf
Carvalho, J., Santos, J., Reimão, D., Gallardo, J., Alves, P., Grosso-Silva, J.,Carvalheira, M.
(2005a). O carvalho negral. Sersilito.
46
http://www.dgterritorio.pt/cartografia_e_geodesia/cartografia/cartografia_tematica/cart
a_de_ocupacao_do_solo__cos_/cos__2007/
Lunetta, R. S., & Elvidge, C. (1999). Remote sensing change detection. CRC Press.
Meneses, P. R., Almeida, T. D., Rosa, A. N. D. C. S., Sano, E. E., Souza, E. B. D., Baptista,
G. M. D. M., & Brites, R. S. (2012). Introdução ao processamento de imagens de
sensoriamento remoto. Brasília: UNB/CNPq.
QGIS Development Team. (2017). QGIS Geographic Information System. Open Source
Geospatial Foundation Project. Disponível em: http://qgis.osgeo.org
Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P., & Macomber, S. A. (2001).
Classification and change detection using Landsat TM data: When and how to correct
atmospheric effects?. Remote sensing of Environment, 75(2), 230-244.
47